РАЗВИТИЕ МОДЕЛЕЙ ВХОДА , ОСНОВАННЫХ НА ПРАВИЛАХ

Что бы произошло, если ГА позволяли искать не просто лучшие парамет­ры (именно так чаще всего используют ГА), но и лучшие правила? В этой главе приводится результат использования ГА для развития законченной модели входа путем поиска оптимальных правил и параметров для этих правил. Несмотря на сложность, эта методология оказалась эффективной в нашем первом исследовании (Katz , McCormick , февраль 1997).

Как можно использовать ГА для поиска наилучших торговых правил? Доморощенный ГА просто жонглирует числами. Необходимо найти способ нумерации различных наборов правил. Этого можно достичь мно­гими способами. Простой и эффективный метод включает в себя пост­роение набора шаблонов правил. Шаблон правила — это частичное опи­сание правила с оставленными пробелами, которые необходимо запол­нить. Например, если некоторые из правил предыдущих глав рассмот­реть как шаблоны правил, то пробелами будут значения периодов ус­реднения, порогов и других параметров. Шаблоны правил, определен­ные таким образом, несложно пронумеровать, поставив в соответствие каждому шаблону набор чисел. Первое число в наборе используется как индекс в таблице шаблонов правил. Оставшиеся числа набора исполь­зуются для заполнения пробелов в шаблоне, в результате чего мы полу­чаем четко определенное правило. Приведенный ниже компьютерный код содержит функцию C ++ (Rules ), которая производит нумерацию шаблонов; она будет описана позже. Хотя в данном исследовании использовался язык C ++, данный метод также можно реализовать в TradeStation с помощью программы TS -EVOLVE , созданной Scientific Consultant Services (516-696-3333).

Термин генетический поиск означает использование ГА для поиска са­мых лучших решений, т.е. имеющих максимальную функцию пригоднос­ти. Как правило, набор потенциальных решений, в котором ведется поиск, достигает огромных размеров. В данном приложении мы хотим использо­вать эволюционный процесс, чтобы выявить набор чисел (генотипов), ко­торые соответствуют основанным на правилах моделям входов (феноти­пам) с максимальной функцией пригодности (или торговой эффективнос­ти). Иными словами, мы собираемся заняться селективным выращивани­ем методов входа, основанных на правилах! Вместо того чтобы начинать с конкретного принципа, на котором основывается модель (сезонность, про­бой) , в данном случае для начала возьмем набор идей, которые могут спо­собствовать созданию выгодного метода входа. Вместо того чтобы после­довательно проверять ценность этих подходов, будет сделано нечто не­обычное: генетическому процессу эволюции представится возможность создать наилучшую модель входа из набора необработанных идей.

ГА будут искать в чрезвычайно большом множестве решений наилуч­шую модель входа, которая может быть получена для определенных дан­ных и шаблонов правил. Количество правил для каждой модели будет ог­раничено во избежание подгонки под исторические данные. Данная за­дача сводится к поиску оптимальных наборов чисел. Без использования ГА такой массированный поиск решений был бы практически невозмо­жен и неразумен в любом смысле. Конечно, вместо ГА всегда можно осу­ществить лобовую оптимизацию — особенно, если вы располагаете не­сколькими тысячелетиями на проведение этой работы. В качестве другой альтернативы можно воспользоваться эмпирическим поиском оптималь­ных правил, т.е. попытаться найти наилучшие правила с помощью наблю­дений, однако этот подход не обязательно позволит максимизировать та­кую сложную функцию, как соотношение риск/прибыль. ГА обеспечи­вают эффективный способ выполнения очень больших поисков, особен­но когда нет простых эвристических методов решения данной задачи.